一种用于跨域推荐的协作迁移学习框架
信息检索
2023-06-30 v1 机器学习
摘要
在推荐系统中，存在多个业务域以满足用户多样化的兴趣与需求，且各域的点击率（CTR）可能差异很大，这导致需要对不同业务域进行 CTR 预测建模。工业界方案是对每个域使用特定域模型或迁移学习技术。前者的缺点是单域模型未利用其他域的数据，而后者虽利用了不同域的全部数据，但迁移学习的微调模型可能使模型陷入源域的局部最优，难以拟合目标域。同时，不同域间数据量与特征模式的显著差异（称为域偏移）可能导致迁移过程中的负迁移。为克服这些挑战，我们提出协作跨域迁移学习框架（CCTL）。CCTL 利用对称伴生网络评估源域对目标域的信息增益，并通过信息流网络调整各源域样本的信息迁移权重。该方法在充分利用其他域数据的同时避免了负迁移。此外，使用表示增强网络作为辅助任务以保留特定域特征。在公开与真实工业数据集上的综合实验表明，CCTL 在离线指标上取得了 SOTA 分数。同时，CCTL 算法已部署于美团，带来 4.37% 的 CTR 与 5.43% 的 GMV 提升，对业务意义重大。
引用
@article{arxiv.2306.16425,
title = {A Collaborative Transfer Learning Framework for Cross-domain Recommendation},
author = {Wei Zhang and Pengye Zhang and Bo Zhang and Xingxing Wang and Dong Wang},
journal= {arXiv preprint arXiv:2306.16425},
year = {2023}
}
备注
KDD2023 accepted